C-MAN: A Multi-attention Approach for Precise Plant Species Classification and Disease Detection Using Multi-scale, Channel-Wise, and Cross-Modal Attentions
Notice bibliographique
Résumé
Accurate plant leaf detection and disease diagnosis are crucial for various applications, including plant species identification, disease management, and ecological monitoring.Existing methods often rely on single modalities, limiting their effectiveness due to insufficient spatial resolution, sensitivity, and disease-specific features.To overcome these limitations, we propose a novel approach C-MAN using multi-attention networks with multi-scale, channel-wise, and cross-modal attention mechanisms for plant leaf analysis and disease diagnosis.Multi-Scale Attention captures both fine-grained and global features, ensuring comprehensive understanding of leaf shape, texture, and disease patterns.Channelwise Attention focuses on disease-specific information within each feature channel, enhancing disease detection sensitivity.Cross-modal Attention integrates information from various weighted feature maps for richer and more robust analysis.We train our model on a standard plant leaf dataset of 4,500 images from twelve economically and environmentally significant plant species, containing both healthy and diseased leaves.The model performs a two-step categorization, first classifying leaves by species and then diagnosing diseases.We evaluate our approach using standard metrics like accuracy, precision, recall, and F1score.Our experiments demonstrate significant improvements in plant detection accuracy (96.74%) and disease diagnosis accuracy (95.43%) compared to single-modal methods.These results highlight the potential of our approach for more reliable and accurate plant analysis in various domains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».